[发明专利]一种电力负荷聚类方法及系统

权利要求书

1.一种电力负荷聚类方法，其特征在于，包括：

获取各用户的负荷时间序列，并且给每位用户的负荷时间序列插入相移，得到嵌入序列；

对嵌入序列采用线性神经回归的方法来生成映射函数参数；

利用各用户的映射函数参数的相似性对用户进行聚类,得到典型负荷曲线。

2.如权利要求1所述的方法，其特征在于，所述给每位用户的负荷时间序列插入相移，得到嵌入序列，包括：

基于嵌入维数、延迟量将每位用户在设定时段内的时间序列值嵌入相空间中，得到嵌入序列。

3.如权利要求2所述的方法，其特征在于，所述嵌入序列，如下式所示：

式中：为S_n(t)在相空间的嵌入序列；S_n(t)为用户n在时段t内的时间序列，t∈{0,...,T_n}；m为嵌入维数；τ为延迟量；T_n为设定的时段。

4.如权利要求3所述的方法，其特征在于，所述对嵌入序列采用线性神经回归的方法来生成映射函数参数，包括：

采用香农熵来优化所述嵌入序列的嵌入维数和延迟量；

对于整个时段T_n，嵌入序列被转换为T_n-mτ+1行和m列的矩阵；

所述矩阵的行基于映射函数进行建模，利用matlab函数获得映射函数参数。

5.如权利要求4所述的方法，其特征在于，所述采用香农熵来优化所述嵌入序列的嵌入维数和延迟量，包括：

确定嵌入维数的嵌入边界以及延迟量的延迟边界；

计算嵌入序列中列矩阵的协方差矩阵，得到协方差矩阵的特征值；

基于协方差矩阵的特征值计算信息熵；

基于所述嵌入边界和延迟边界在所有的信息熵中选择最大的信息熵对应的嵌入维数和延迟量的值作为最优嵌入维数和延迟量。

6.如权利要求5所述的方法，其特征在于，所述信息熵，如下式所示：

式中：H为信息熵；P_i为第i维信息量的概率；

所述第i维信息量的概率P_i按下式计算：

式中：λ_i为i维信息量；m为嵌入维数。

7.如权利要求5所述的方法，其特征在于，所述协方差矩阵的计算公式如下式所示：

式中：Matrix为协方差矩阵；m为嵌入维数；c_m为嵌入序列的列矩阵。

8.如权利要求4所述的方法，其特征在于，所述映射函数，如下式所示：

式中：M_n为映射函数；为S_n(t)在相空间的嵌入序列；S_n(t)为用户n在时段t内的时间序列；

式中：为映射函数参数。

9.如权利要求1所述的方法，其特征在于，所述利用各用户的映射函数参数的相似性对用户进行聚类,得到典型负荷曲线，包括：

利用各用户的映射函数参数的相似性对用户进行聚类，得到用户负荷时间序列聚类集群；

根据得到的用户负荷时间序列聚类集群，计算代表每个集群的典型负荷曲线。

10.一种电力负荷聚类系统，其特征在于，包括：

插入模块，用于获取各用户的负荷时间序列，并且给每位用户的负荷时间序列插入相移，得到嵌入序列；

生成模块，用于对嵌入序列采用线性神经回归的方法来生成映射函数参数；

聚类模块，用于利用各用户的映射函数参数的相似性对用户进行聚类,得到典型负荷曲线。

11.如权利要求10所述的系统，其特征在于，所述生成模块，包括：

优化单元，用于采用香农熵来优化所述嵌入序列的嵌入维数和延迟量；

转换单元，用于对于整个时段T_n，嵌入序列被转换为T_n-mτ+1行和m列的矩阵；

映射单元，用于所述矩阵的行基于映射函数进行建模，利用matlab函数获得映射函数参数；

其中m为嵌入维数；τ为延迟量；T_n为设定的时段。